Una vez se han generado la vista en python con los datos de accidentes desde 2008 hasta 2015, procedo a analizar los datos relativos a los mismos.
En primer lugar incluyo las libreria que se utilizaran en el analisis, fijamos el directorio de trabajo, y hago una promera revision de los datos.
library(dummies)
## dummies-1.5.6 provided by Decision Patterns
library(corrplot)
library(plyr)
library(dtplyr)
library(data.table)
library(ggplot2)
library(gridExtra)
library(sqldf)
## Loading required package: gsubfn
## Loading required package: proto
## Loading required package: RSQLite
library(plotly)
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following objects are masked from 'package:plyr':
##
## arrange, mutate, rename, summarise
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
library(factoextra)
library(Matrix)
library(cluster)
library(NbClust)
#install.packages('factoextra',dependencies = TRUE, type="source")
#Directorio de trabajo
setwd("~/Documents/MASTER_DATA_SCIENCE/tfm/cleaned")
personas=read.csv2("view_pers_08_15.csv",
stringsAsFactors = FALSE,
sep = ';',
encoding = 'UTF-8',
colClasses=c("ID_ACCIDENTE"="character"))
#Revisión basica del dataset
dim(personas)
## [1] 1724736 13
str(personas)
## 'data.frame': 1724736 obs. of 13 variables:
## $ ID_ACCIDENTE : chr "2008010000001" "2008010000001" "2008010000001" "2008010000001" ...
## $ ID_VEHICULO : int 1 2 2 1 2 1 1 2 1 1 ...
## $ ID_PERSONA : chr "PASAJERO" "PASAJERO" "PASAJERO" "PASAJERO" ...
## $ ID_CONDUCTOR : int 1 1 1 1 2 1 1 2 1 1 ...
## $ ID_PASAJERO : int 1 1 2 2 1 1 1 1 1 1 ...
## $ ID_PEATON : int 1 1 1 1 1 1 1 1 1 1 ...
## $ EDAD : int 32 60 23 28 61 40 52 56 20 21 ...
## $ COD_SEXO : chr "MUJER" "MUJER" "HOMBRE" "MUJER" ...
## $ ANIO_PERMISO : int 9999 9999 9999 9999 1999 1999 1999 1999 1999 9999 ...
## $ MANIOBRAS : chr "INCORPORANDOSE DESDE OTRA VIA O ACCESO" "INCORPORANDOSE DESDE OTRA VIA O ACCESO" "INCORPORANDOSE DESDE OTRA VIA O ACCESO" "INCORPORANDOSE DESDE OTRA VIA O ACCESO" ...
## $ INFRACC_VELOCIDAD: chr "NINGUNA" "NINGUNA" "NINGUNA" "NINGUNA" ...
## $ INFRACC_PEATON : chr "NINGUNA INFRACCION" "NINGUNA INFRACCION" "NINGUNA INFRACCION" "NINGUNA INFRACCION" ...
## $ ANIO : int 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 ...
summary(personas)
## ID_ACCIDENTE ID_VEHICULO ID_PERSONA ID_CONDUCTOR
## Length:1724736 Min. : 0.000 Length:1724736 Min. : 0.00
## Class :character 1st Qu.: 1.000 Class :character 1st Qu.: 1.00
## Mode :character Median : 1.000 Mode :character Median : 1.00
## Mean : 1.501 Mean : 1.27
## 3rd Qu.: 2.000 3rd Qu.: 1.00
## Max. :93.000 Max. :91.00
## ID_PASAJERO ID_PEATON EDAD COD_SEXO
## Min. : 1.00 Min. : 1.000 Min. : 0.00 Length:1724736
## 1st Qu.: 1.00 1st Qu.: 1.000 1st Qu.: 27.00 Class :character
## Median : 1.00 Median : 1.000 Median : 36.00 Mode :character
## Mean : 1.24 Mean : 1.007 Mean : 38.33
## 3rd Qu.: 1.00 3rd Qu.: 1.000 3rd Qu.: 48.00
## Max. :104.00 Max. :44.000 Max. :110.00
## ANIO_PERMISO MANIOBRAS INFRACC_VELOCIDAD INFRACC_PEATON
## Min. : 999 Length:1724736 Length:1724736 Length:1724736
## 1st Qu.:1977 Class :character Class :character Class :character
## Median :1999 Mode :character Mode :character Mode :character
## Mean :2535
## 3rd Qu.:2005
## Max. :9999
## ANIO
## Min. :2008
## 1st Qu.:2009
## Median :2012
## Mean :2012
## 3rd Qu.:2014
## Max. :2015
head(personas)
## ID_ACCIDENTE ID_VEHICULO ID_PERSONA ID_CONDUCTOR ID_PASAJERO ID_PEATON
## 1 2008010000001 1 PASAJERO 1 1 1
## 2 2008010000001 2 PASAJERO 1 1 1
## 3 2008010000001 2 PASAJERO 1 2 1
## 4 2008010000001 1 PASAJERO 1 2 1
## 5 2008010000001 2 CONDUCTOR 2 1 1
## 6 2008010000001 1 CONDUCTOR 1 1 1
## EDAD COD_SEXO ANIO_PERMISO MANIOBRAS
## 1 32 MUJER 9999 INCORPORANDOSE DESDE OTRA VIA O ACCESO
## 2 60 MUJER 9999 INCORPORANDOSE DESDE OTRA VIA O ACCESO
## 3 23 HOMBRE 9999 INCORPORANDOSE DESDE OTRA VIA O ACCESO
## 4 28 MUJER 9999 INCORPORANDOSE DESDE OTRA VIA O ACCESO
## 5 61 HOMBRE 1999 SIGUIENDO LA RUTA
## 6 40 MUJER 1999 SIGUIENDO LA RUTA
## INFRACC_VELOCIDAD INFRACC_PEATON ANIO
## 1 NINGUNA NINGUNA INFRACCION 2008
## 2 NINGUNA NINGUNA INFRACCION 2008
## 3 NINGUNA NINGUNA INFRACCION 2008
## 4 NINGUNA NINGUNA INFRACCION 2008
## 5 SE IGNORA NINGUNA INFRACCION 2008
## 6 SE IGNORA NINGUNA INFRACCION 2008
tail(personas)
## ID_ACCIDENTE ID_VEHICULO ID_PERSONA ID_CONDUCTOR ID_PASAJERO
## 1724731 2016990000105 1 PEATON 1 1
## 1724732 2016990000188 1 PEATON 1 1
## 1724733 2016990000232 1 PEATON 1 1
## 1724734 2016990000358 1 PEATON 1 1
## 1724735 2016990000448 1 PEATON 1 1
## 1724736 2016990000876 1 PEATON 1 1
## ID_PEATON EDAD COD_SEXO ANIO_PERMISO MANIOBRAS
## 1724731 2 92 MUJER 999 15
## 1724732 1 66 MUJER 999 15
## 1724733 1 20 HOMBRE 999 15
## 1724734 1 31 HOMBRE 999 15
## 1724735 1 7 HOMBRE 999 15
## 1724736 2 7 MUJER 999 15
## INFRACC_VELOCIDAD
## 1724731 MARCHA LENTA ENTORPECIENDO LA CIRCULACION
## 1724732 MARCHA LENTA ENTORPECIENDO LA CIRCULACION
## 1724733 MARCHA LENTA ENTORPECIENDO LA CIRCULACION
## 1724734 MARCHA LENTA ENTORPECIENDO LA CIRCULACION
## 1724735 MARCHA LENTA ENTORPECIENDO LA CIRCULACION
## 1724736 MARCHA LENTA ENTORPECIENDO LA CIRCULACION
## INFRACC_PEATON ANIO
## 1724731 NO UTILIZAR PASO PARA PEATONES 2015
## 1724732 NO UTILIZAR PASO PARA PEATONES 2015
## 1724733 NO UTILIZAR PASO PARA PEATONES 2015
## 1724734 NO UTILIZAR PASO PARA PEATONES 2015
## 1724735 NO UTILIZAR PASO PARA PEATONES 2015
## 1724736 NO UTILIZAR PASO PARA PEATONES 2015
Años de 2008 al 2015.
Analizando los datos de los conductores con siniestros.
Agrupacion por año y tipologia conductor (ID_PERSONA==‘CONDUCTOR’) y elimino los registros con codificacion erronea o desconocida en el campo sexo.
Se puede ver que para todos los años :
pers_acc<-sqldf("select ANIO,
COD_SEXO as SEXO,
EDAD,
count (distinct ID_ACCIDENTE) as NUM_ACC
from personas
where ID_PERSONA=='CONDUCTOR'
and COD_SEXO not in ('SIN ESPECIFICAR','999')
and ANIO_PERMISO <>9999
and EDAD between 18 and 90
group by ANIO,SEXO,EDAD")
pers_acc$ANIO <- as.factor(pers_acc$ANIO)
pers_acc$SEXO <- as.factor(pers_acc$SEXO)
#Grafico año-sexo-edad-num_acc
# plot_ly(pers_acc, x = ~ANIO, y = ~SEXO, z = ~NUM_ACC,
# marker = list(color = ~EDAD,
# colorscale = c('#FFE1A1', '#683531'),
# showscale = TRUE)) %>%
# add_markers() %>%
# layout(scene = list(xaxis = list(title = 'ANIO'),
# yaxis = list(title = 'SEXO'),
# zaxis = list(title = 'NUM_ACC')),
# annotations = list(
# x = 1.13,
# y = 1.05,
# text = 'Nº ACCIDENTES POR SEXO-EDAD',
# xref = 'ANIO',
# yref = 'SEXO',
# showarrow = FALSE
# ))
plot_ly(data = pers_acc, x = ~SEXO, y = ~NUM_ACC, color = ~ANIO,
text = ~paste("ANIO: ",ANIO, '<br>ACCIDENTES:', NUM_ACC)) %>%
layout(title = "ACCIDENTES POR SEXO_CONDUCTOR 2008-2015")
## No trace type specified:
## Based on info supplied, a 'bar' trace seems appropriate.
## Read more about this trace type -> https://plot.ly/r/reference/#bar
plot_ly(data = pers_acc, x = ~EDAD, y = ~NUM_ACC, color = ~ANIO,
text = ~paste("ANIO: ",ANIO, '<br>ACCIDENTES:', NUM_ACC)) %>%
layout(title = "ACCIDENTES POR EDAD_CONDUCTOR 2008-2015")
## No trace type specified:
## Based on info supplied, a 'scatter' trace seems appropriate.
## Read more about this trace type -> https://plot.ly/r/reference/#scatter
## No scatter mode specifed:
## Setting the mode to markers
## Read more about this attribute -> https://plot.ly/r/reference/#scatter-mode
pers<-sqldf("select ANIO,
EDAD,
COD_SEXO as SEXO,
ANIO_PERMISO,
INFRACC_VELOCIDAD
from personas
where ID_PERSONA=='CONDUCTOR'
and COD_SEXO not in ('SIN ESPECIFICAR','999')
and ANIO_PERMISO <>9999
group by ANIO,EDAD,COD_SEXO,ANIO_PERMISO,INFRACC_VELOCIDAD")
#Codifico los datos de velocidad
pers$INFRACC_VELOCIDAD[pers$INFRACC_VELOCIDAD == 0] <- "SIN_DATO"
pers$INFRACC_VELOCIDAD[pers$INFRACC_VELOCIDAD == 1] <- "VEL_INADEC"
pers$INFRACC_VELOCIDAD[pers$INFRACC_VELOCIDAD == 2] <- "EXCESO"
pers$INFRACC_VELOCIDAD[pers$INFRACC_VELOCIDAD == 3] <- "LENTO"
pers$INFRACC_VELOCIDAD[pers$INFRACC_VELOCIDAD == 4] <- "NINGUNA"
pers$INFRACC_VELOCIDAD[pers$INFRACC_VELOCIDAD == 5] <- "DESCONOCIDA"
#Convierto los datos categoricos en variables dummies
pers_subset_dummies=dummy.data.frame(pers,dummy.class="character")
colnames(pers_subset_dummies)=gsub("SEXO", "", colnames(pers_subset_dummies))
colnames(pers_subset_dummies)=gsub("INFRACC_VELOCIDAD", "", colnames(pers_subset_dummies))
Vemos que hay edades de conductores con edades incorrectas <18 y >90, elimino esos registros.
#Elimino los registros comentados
pers_subset_dummies<- subset(pers_subset_dummies,(EDAD>17 & EDAD<91))
Hago el metodo del codo para los tres tipos de cluster y todos los años.
Como muestra solo ejecuto para el 2008
#Para agilizar el procedimiento divido el dataset en años
#Selecciono el año a tratar, en este caso 2008
year=2014
pers_subset<- subset(pers_subset_dummies,ANIO==year)
#No necesito la variable año
pers_subset$ANIO=NULL
#Metodo del codo KMEANS
fviz_nbclust(pers_subset, kmeans, method = "wss") +
geom_vline(xintercept = 3, linetype = 2)
#Metodo del codo HCLUST
fviz_nbclust(pers_subset, hcut, method = "wss",k.max=20,
hc_method = "complete")
Tanto en el metodo del codo de KMEANS, como en el de HCLUST (cluster jerarquico), se indica seleccionar 3 cluters para todos los años desde 2008 a 2015
#Defino el numero de clusters
NUM_CLUSTERS=3
set.seed(1234)
#Normalizo los datos
pers_subset_scl=scale(pers_subset)
#Hay columnas con datos a 0, al normalizar salen NA. Lo vuelvo a poner a 0
pers_subset_scl[is.na(pers_subset_scl)] <- 0
Al clusterizar todos los años, siempre se repite el patron de dos cluster de hombre y uno de mujeres donde varia la peternencia a cada uno de los grupos de infracciones.
Analizando el AÑO 2008
Se pueden distiguir los siguientes agrupaciones por cada tipo de modelo
KMEANS:
* El cluster 1 agrupa a hombres de 42 de media de edad y media del carne de 1996, cuyos accidentes tenian mas relacion con el exceso de velocidad o una velocidad inadecuada para el tipo de via.
* El cluster 2 agrupa a hombres 66 años de media de edad y media del carne de 1977, en su mayoria no cometieron infraccion de velocidad (NINGUNA), este grupo de hombre tiene la media de EXCESO, sensiblemente menor que el grupo 1.
* El cluster 3 agrupa a mujeres de 46 años de media y media del carne de 1992, no se aprecia un nivel muy alto en la columnas de infraccion, si en cambio bajo en exceso de velocidad.
KMEDOIDS:
Minimiza la distancia absoluta entre puntos y el centroide seleccionado, minimiza el cuadrado de la distancia, el resultado es mas menos sensible al ruido y los outliers.
* El cluster 1 agrupa a mujeres de 46 de media de edad y media del carne de 1992 (grupo 3 en KMEANS), se incluyen dentro del grupo de no infraccion de velocidad.
* El cluster 2 agrupa a hombres y mujeres en relacion 80%-20% respectivamentes, de 45 años de media de edad y media del carne de 1993, se desconoce si esos accidentes conllevaron infraccion de velocidad.
* El cluster 3 agrupa a hombres de 59 años de media y media del carne de 1983, tambien con ningun tipo de infraccion en cuanto a la velocidad, com el grupo 1.
HCLUST:
No distingue tan claramente entre hombres y mujeres como los modelos anteriores, pero tambien diferencia dos grupos con predominancia de hombres (cluster 1 y 2). Y el 3 casi el 50%.
* El Cluster 1, se lleva todo el peso en cuanto a infracciones por exceso, velocidad adecuada, o ninguna infraccion.
* El cluster 2 acumula al 80% de hombres y 20% de mujeres con infracciones por defecto de velocidad
#KMEANS
Modelo_kmeans=kmeans(pers_subset_scl,NUM_CLUSTERS)
pers_subset$Segmentos_kmeans=Modelo_kmeans$cluster
#KMEDOIDS
Modelo_kmedoids=pam(pers_subset_scl,NUM_CLUSTERS)
pers_subset$Segmentos_kmdeoids=Modelo_kmedoids$cluster
#HCLUST
distancia <- dist(pers_subset_scl, method = "euclidean")
Modelo_hclust<- hclust(distancia, method = "complete")
pers_subset$Segmentos_hclust = cutree(Modelo_hclust, k = NUM_CLUSTERS)
plot(Modelo_hclust)
#tamaños de los clusters
table(pers_subset$Segmentos_kmeans)
##
## 1 2 3
## 3604 3115 2325
table(pers_subset$Segmentos_kmdeoids)
##
## 1 2 3
## 3615 2355 3074
table(pers_subset$Segmentos_hclust)
##
## 1 2 3
## 3584 88 5372
#agrupo por numero de cluster cada tipo
aggregate(pers_subset[,c(-12,-13)], by = list(pers_subset$Segmentos_kmeans), mean)
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 50.78302 0 1 1995.078
## 2 2 54.29246 1 0 1991.568
## 3 3 60.36774 1 0 1989.614
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.4703108 0.3271365 0 0
## 2 0.0000000 0.5858748 0 0
## 3 1.0000000 0.0000000 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.007214206
## 2 0.019903692
## 3 0.000000000
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmeans
## 1 0.1953385 1
## 2 0.3942215 2
## 3 0.0000000 3
aggregate(pers_subset[,c(-11,-13)], by = list(pers_subset$Segmentos_kmdeoids), mean)
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 57.04703 1.0000000 0.0000000 1990.736
## 2 2 57.76688 0.7749469 0.2250531 1989.295
## 3 3 48.87183 0.0000000 1.0000000 1996.925
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.6431535 0.0000000 0 0
## 2 0.0000000 1.0000000 0 0
## 3 0.5513988 0.2111256 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.017150761
## 2 0.000000000
## 3 0.008458035
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmdeoids
## 1 0.3396957 1
## 2 0.0000000 2
## 3 0.2290176 3
aggregate(pers_subset[,c(-11,-12)], by = list(pers_subset$Segmentos_hclust), mean)
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 39.24470 0.4104353 0.5895647 2002.609
## 2 2 48.30682 0.7045455 0.2954545 1993.330
## 3 3 64.70477 0.7272897 0.2727103 1985.682
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.3119420 0.2968750 0 0
## 2 0.0000000 0.0000000 0 0
## 3 0.5402085 0.3611318 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0
## 2 1
## 3 0
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_hclust
## 1 0.39118304 1
## 2 0.00000000 2
## 3 0.09865972 3
AUTOMATIZACION
NUM_CLUSTERS=3
set.seed(1234)
years=c(2008:2015)
kmeans_list=list()
kmedoids_list=list()
hclust_list=list()
for (i in 1:length(years)){
sprintf("PROCESANDO: %s",years[i])
pers_subset<- subset(pers_subset_dummies,ANIO==years[i])
#No necesito la variable año
pers_subset$ANIO=NULL
#Normalizo los datos
pers_subset_scl=scale(pers_subset)
#Hay columnas con datos a 0, al normalizar salen NA. Lo vuelvo a poner a 0
pers_subset_scl[is.na(pers_subset_scl)] <- 0
#KMEANS
Modelo_kmeans=kmeans(pers_subset_scl,NUM_CLUSTERS)
pers_subset$Segmentos_kmeans=Modelo_kmeans$cluster
#KMEDOIDS
Modelo_kmedoids=pam(pers_subset_scl,NUM_CLUSTERS)
pers_subset$Segmentos_kmdeoids=Modelo_kmedoids$cluster
#HCLUST
distancia <- dist(pers_subset_scl, method = "euclidean")
Modelo_hclust<- hclust(distancia, method = "complete")
pers_subset$Segmentos_hclust = cutree(Modelo_hclust, k = NUM_CLUSTERS)
#Incluyo columna con el año
pers_subset$YEAR=years[i]
#tamaños de los clusters
table(pers_subset$Segmentos_kmeans)
table(pers_subset$Segmentos_kmdeoids)
table(pers_subset$Segmentos_hclust)
#guardo en la lista por numero de cluster cada tipo
kmeans_list[[i]]=aggregate(pers_subset[,c(-12,-13)],
by =list(pers_subset$Segmentos_kmeans), mean)
kmedoids_list[[i]]=aggregate(pers_subset[,c(-11,-13)],
by = list(pers_subset$Segmentos_kmdeoids), mean)
hclust_list[[i]]=aggregate(pers_subset[,c(-11,-12)],
by = list(pers_subset$Segmentos_hclust), mean)
}
kmeans_list
## [[1]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 39.87261 0.8184713 0.1815287 1994.901
## 2 2 46.94136 0.0000000 1.0000000 1991.988
## 3 3 54.28868 1.0000000 0.0000000 1987.376
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.00000000 0.0000000 0.0000000 0.0000000
## 2 0.01326612 0.3682674 0.2478111 0.2276466
## 3 0.02075069 0.3373512 0.2523650 0.2168142
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 1
## 2 0
## 3 0
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmeans
## 1 0.0000000 1
## 2 0.1430088 2
## 3 0.1727190 3
## YEAR
## 1 2008
## 2 2008
## 3 2008
##
## [[2]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 47.06324 0.0000000 1.000000000 1993.040
## 2 2 66.72164 0.9980934 0.001906578 1977.182
## 3 3 42.64177 1.0000000 0.000000000 1997.615
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.012032770 0.3661034 0.2437276 0.2132616
## 2 0.002542104 0.5335240 0.2256117 0.1401335
## 3 0.030660377 0.1386268 0.2439727 0.2505241
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.02585765
## 2 0.00857960
## 3 0.11635220
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmeans
## 1 0.13901690 1
## 2 0.08960915 2
## 3 0.21986373 3
## YEAR
## 1 2009
## 2 2009
## 3 2009
##
## [[3]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 52.01819 0.6388784 0.3611216 1990.380
## 2 2 47.26405 0.0000000 1.0000000 1993.692
## 3 3 53.11818 1.0000000 0.0000000 1989.709
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.00000000 0.0000000 1 0.0000000
## 2 0.01330229 0.4755570 0 0.2883272
## 3 0.01844735 0.4265949 0 0.2672944
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.00000000
## 2 0.03392085
## 3 0.08320523
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmeans
## 1 0.0000000 1
## 2 0.1888926 2
## 3 0.2044581 3
## YEAR
## 1 2010
## 2 2010
## 3 2010
##
## [[4]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 49.54272 0 1 1993.563
## 2 2 56.12589 1 0 1989.151
## 3 3 55.67130 1 0 1989.568
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.4569659 0.3659443 0 0
## 2 0.0000000 1.0000000 0 0
## 3 0.6429205 0.0000000 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.01176471
## 2 0.00000000
## 3 0.03162873
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmeans
## 1 0.1653251 1
## 2 0.0000000 2
## 3 0.3254508 3
## YEAR
## 1 2011
## 2 2011
## 3 2011
##
## [[5]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 47.36059 0.6677149 0.3322851 1994.514
## 2 2 54.10216 0.6028008 0.3971992 1991.370
## 3 3 56.61596 0.5958076 0.4041924 1990.398
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0 0 0 0
## 2 0 1 0 0
## 3 1 0 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.08752621
## 2 0.00000000
## 3 0.00000000
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmeans
## 1 0.9124738 1
## 2 0.0000000 2
## 3 0.0000000 3
## YEAR
## 1 2012
## 2 2012
## 3 2012
##
## [[6]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 60.28164 1 0 1988.993
## 2 2 53.60299 1 0 1991.970
## 3 3 50.17688 0 1 1995.033
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 1.0000000 0.0000000 0 0
## 2 0.0000000 0.5867330 0 0
## 3 0.4810795 0.3150484 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.00000000
## 2 0.03482587
## 3 0.01290701
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmeans
## 1 0.0000000 1
## 2 0.3784411 2
## 3 0.1909651 3
## YEAR
## 1 2013
## 2 2013
## 3 2013
##
## [[7]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 51.42298 0.3870968 0.61290323 1997.303
## 2 2 69.98695 0.9858593 0.01414068 1978.239
## 3 3 44.68330 0.4686703 0.53132974 1999.803
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 1.0000000 0.0000000 0 0
## 2 0.4572154 0.3770848 0 0
## 3 0.0000000 0.5568472 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.00000000
## 2 0.01450326
## 3 0.01360930
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmeans
## 1 0.0000000 1
## 2 0.1511965 2
## 3 0.4295435 3
## YEAR
## 1 2014
## 2 2014
## 3 2014
##
## [[8]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 48.00314 0.6490586 0.3509414 1995.347
## 2 2 54.23563 0.5966974 0.4033026 1993.212
## 3 3 57.97813 0.5732187 0.4267813 1991.830
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0 0 0 0
## 2 0 1 0 0
## 3 1 0 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.04131799
## 2 0.00000000
## 3 0.00000000
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmeans
## 1 0.958682 1
## 2 0.000000 2
## 3 0.000000 3
## YEAR
## 1 2015
## 2 2015
## 3 2015
kmedoids_list
## [[1]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 59.21955 1.0000000 0.0000000 1983.684
## 2 2 45.87413 0.7671984 0.2328016 1993.073
## 3 3 46.60461 0.0000000 1.0000000 1992.117
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.01177945 0.5541353 0.0000000 0.2263158
## 2 0.02218345 0.0000000 0.6450648 0.1291127
## 3 0.01695490 0.4706680 0.0000000 0.2909461
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.04611529
## 2 0.08225324
## 3 0.03865717
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmdeoids
## 1 0.1616541 1
## 2 0.1213858 2
## 3 0.1827738 3
## YEAR
## 1 2008
## 2 2008
## 3 2008
##
## [[2]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 46.22369 0.7625935 0.2374065 1993.915
## 2 2 59.45755 1.0000000 0.0000000 1983.958
## 3 3 47.07466 0.0000000 1.0000000 1992.856
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.01820449 0.0000000 0.6466334 0.1341646
## 2 0.01333675 0.5647602 0.0000000 0.2203129
## 3 0.01587838 0.4851351 0.0000000 0.2814189
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.07855362
## 2 0.04001026
## 3 0.03412162
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmdeoids
## 1 0.1224439 1
## 2 0.1615799 2
## 3 0.1834459 3
## YEAR
## 1 2009
## 2 2009
## 3 2009
##
## [[3]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 46.48588 0.7639921 0.2360079 1994.534
## 2 2 59.39369 1.0000000 0.0000000 1985.055
## 3 3 47.26405 0.0000000 1.0000000 1993.692
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.015601783 0.0000000 0.6535414 0.1339772
## 2 0.008672799 0.5834428 0.0000000 0.2233903
## 3 0.013302295 0.4755570 0.0000000 0.2883272
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.07305597
## 2 0.03626807
## 3 0.03392085
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmdeoids
## 1 0.1238237 1
## 2 0.1482260 2
## 3 0.1888926 3
## YEAR
## 1 2010
## 2 2010
## 3 2010
##
## [[4]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 54.69849 1.0000000 0.0000000 1991.139
## 2 2 58.47673 0.8138443 0.1861557 1985.944
## 3 3 47.28141 0.0000000 1.0000000 1995.561
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.6968920 0.0000000 0 0
## 2 0.0000000 0.8975362 0 0
## 3 0.5359477 0.2563544 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.028836911
## 2 0.006648416
## 3 0.013798112
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmdeoids
## 1 0.27427107 1
## 2 0.09581541 2
## 3 0.19389978 3
## YEAR
## 1 2011
## 2 2011
## 3 2011
##
## [[5]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 54.78031 1.0000000 0.0000000 1991.756
## 2 2 59.05450 0.8122434 0.1877566 1986.264
## 3 3 47.52827 0.0000000 1.0000000 1996.512
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.6908694 0.0000000 0 0
## 2 0.0000000 0.8947368 0 0
## 3 0.5216788 0.2584114 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.035836709
## 2 0.004852557
## 3 0.013527575
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmdeoids
## 1 0.2732939 1
## 2 0.1004106 2
## 3 0.2063822 3
## YEAR
## 1 2012
## 2 2012
## 3 2012
##
## [[6]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 60.92522 1.0000000 0.0000000 1987.768
## 2 2 52.64965 0.8155862 0.1844138 1992.842
## 3 3 48.48776 0.0000000 1.0000000 1996.568
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.7977257 0.0000000 0 0
## 2 0.0000000 0.7786362 0 0
## 3 0.5734266 0.1835664 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.01171606
## 2 0.02384951
## 3 0.01538462
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmdeoids
## 1 0.1905582 1
## 2 0.1975143 2
## 3 0.2276224 3
## YEAR
## 1 2013
## 2 2013
## 3 2013
##
## [[7]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 57.04703 1.0000000 0.0000000 1990.736
## 2 2 57.76688 0.7749469 0.2250531 1989.295
## 3 3 48.87183 0.0000000 1.0000000 1996.925
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.6431535 0.0000000 0 0
## 2 0.0000000 1.0000000 0 0
## 3 0.5513988 0.2111256 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.017150761
## 2 0.000000000
## 3 0.008458035
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmdeoids
## 1 0.3396957 1
## 2 0.0000000 2
## 3 0.2290176 3
## YEAR
## 1 2014
## 2 2014
## 3 2014
##
## [[8]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 56.07640 1.0000000 0.0000000 1992.951
## 2 2 59.30755 0.7971179 0.2028821 1987.889
## 3 3 49.07254 0.0000000 1.0000000 1997.466
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.6962101 0.0000000 0 0
## 2 0.0000000 0.9154342 0 0
## 3 0.5526567 0.2338530 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.017308266
## 2 0.002654532
## 3 0.004454343
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_kmdeoids
## 1 0.28648165 1
## 2 0.08191126 2
## 3 0.20903595 3
## YEAR
## 1 2015
## 2 2015
## 3 2015
hclust_list
## [[1]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 44.79225 0.6692129 0.3307871 1995.742
## 2 2 39.92473 0.7311828 0.2688172 1995.704
## 3 3 64.63949 0.5899825 0.4100175 1975.503
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0 0.3316055 0.2467603 0.1908334
## 2 1 0.0000000 0.0000000 0.0000000
## 3 0 0.3401281 0.2268492 0.2562609
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0.08566362
## 2 0.00000000
## 3 0.00000000
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_hclust
## 1 0.1451371 1
## 2 0.0000000 2
## 3 0.1767618 3
## YEAR
## 1 2008
## 2 2008
## 3 2008
##
## [[2]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 43.37791 0.7267442 0.2732558 1993.971
## 2 2 51.95872 0.6282469 0.3717531 1989.677
## 3 3 40.17483 0.8234266 0.1765734 1995.563
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 1 0.0000000 0.0000000 0.0000000
## 2 0 0.3593086 0.2560988 0.2202469
## 3 0 0.0000000 0.0000000 0.0000000
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0
## 2 0
## 3 1
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_hclust
## 1 0.0000000 1
## 2 0.1643457 2
## 3 0.0000000 3
## YEAR
## 1 2009
## 2 2009
## 3 2009
##
## [[3]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 40.20588 0.7058824 0.2941176 1998.250
## 2 2 52.02112 0.6249140 0.3750860 1990.570
## 3 3 38.94393 0.8093458 0.1906542 1996.854
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 1 0.0000000 0.0000000 0.0000000
## 2 0 0.3585814 0.2592593 0.2218293
## 3 0 0.0000000 0.0000000 0.0000000
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0
## 2 0
## 3 1
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_hclust
## 1 0.0000000 1
## 2 0.1603301 2
## 3 0.0000000 3
## YEAR
## 1 2010
## 2 2010
## 3 2010
##
## [[4]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 49.27960 0.5309920 0.46900795 1996.042
## 2 2 41.88966 0.7379310 0.26206897 1996.752
## 3 3 71.44581 0.9587438 0.04125616 1969.842
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.4451448 0.3430887 0 0
## 2 0.0000000 0.0000000 0 0
## 3 0.4217980 0.4402709 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0
## 2 1
## 3 0
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_hclust
## 1 0.2117665 1
## 2 0.0000000 2
## 3 0.1379310 3
## YEAR
## 1 2011
## 2 2011
## 3 2011
##
## [[5]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 49.12315 0.5325114 0.46748862 1997.065
## 2 2 42.31138 0.7664671 0.23353293 1997.539
## 3 3 72.18258 0.9095477 0.09045226 1970.459
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.4127403 0.3844122 0 0
## 2 0.0000000 0.0000000 0 0
## 3 0.5075377 0.2920156 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0
## 2 1
## 3 0
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_hclust
## 1 0.2028475 1
## 2 0.0000000 2
## 3 0.2004467 3
## YEAR
## 1 2012
## 2 2012
## 3 2012
##
## [[6]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 48.80927 0.6472928 0.3527072 1997.709
## 2 2 42.77852 0.7046980 0.2953020 1997.289
## 3 3 71.50536 0.4839181 0.5160819 1975.030
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.3978281 0.356837 0 0
## 2 0.0000000 0.000000 0 0
## 3 0.6598441 0.248538 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0
## 2 1
## 3 0
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_hclust
## 1 0.24533496 1
## 2 0.00000000 2
## 3 0.09161793 3
## YEAR
## 1 2013
## 2 2013
## 3 2013
##
## [[7]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 39.24470 0.4104353 0.5895647 2002.609
## 2 2 48.30682 0.7045455 0.2954545 1993.330
## 3 3 64.70477 0.7272897 0.2727103 1985.682
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.3119420 0.2968750 0 0
## 2 0.0000000 0.0000000 0 0
## 3 0.5402085 0.3611318 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0
## 2 1
## 3 0
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_hclust
## 1 0.39118304 1
## 2 0.00000000 2
## 3 0.09865972 3
## YEAR
## 1 2014
## 2 2014
## 3 2014
##
## [[8]]
## Group.1 EDAD HOMBRE MUJER ANIO_PERMISO
## 1 1 38.68838 0.5566589 0.4433411 2005.192
## 2 2 48.25316 0.8227848 0.1772152 1994.190
## 3 3 64.36745 0.6186923 0.3813077 1985.636
## MARCHA LENTA ENTORPECIENDO LA CIRCULACION NINGUNA SE IGNORA SIN DATO
## 1 0.4871495 0.2464953 0 0
## 2 0.0000000 0.0000000 0 0
## 3 0.4267946 0.4095593 0 0
## SOBREPASAR LA VELOCIDAD ESTABLECIDA
## 1 0
## 2 1
## 3 0
## VELOCIDAD INADECUADA PARA LAS CONDICIONES EXISTENTES Segmentos_hclust
## 1 0.2663551 1
## 2 0.0000000 2
## 3 0.1636461 3
## YEAR
## 1 2015
## 2 2015
## 3 2015